保姆级教程：在Windows上用PyCharm+Anaconda搞定YOLOv11环境（含CUDA配置避坑）

Windows平台PyCharmAnaconda搭建YOLOv11开发环境全指南1. 开发环境准备对于刚接触深度学习的Windows开发者来说环境配置往往是第一个拦路虎。PyCharm作为Python开发的主流IDE配合Anaconda的包管理能力可以大幅降低环境配置的复杂度。以下是详细的环境准备步骤1.1 安装PyCharm与AnacondaPyCharm社区版是完全免费的适合个人开发者使用。安装时建议下载地址JetBrains官网直接获取最新版本安装路径避免C盘选择至少有20GB剩余空间的磁盘分区安装选项建议勾选Add launchers dir to PATH和Create Desktop ShortcutAnaconda的安装同样需要注意# 验证Anaconda安装成功的命令 conda --version安装完成后检查系统环境变量是否包含以下路径具体路径根据安装位置调整C:\Users\用户名\anaconda3 C:\Users\用户名\anaconda3\Scripts C:\Users\用户名\anaconda3\Library\bin1.2 配置清华镜像源为加速后续的包下载建议立即配置国内镜像源# 配置conda清华源 conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes # 配置pip清华源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple2. YOLOv11项目环境搭建2.1 创建专用conda环境在PyCharm中创建新项目时选择New environment using Conda配置如下Python版本3.10与YOLOv11兼容性最佳环境名称建议使用yolov11等有意义的名称Conda可执行文件路径通常为C:\Users\用户名\anaconda3\Scripts\conda.exe注意环境名称不要包含中文或特殊字符避免后续使用中出现路径问题2.2 GPU环境配置关键步骤对于有NVIDIA显卡的用户GPU加速能显著提升训练速度。配置流程如下检查显卡驱动版本nvidia-smi输出示例--------------------------------------------------------------------------------------- | NVIDIA-SMI 535.98 Driver Version: 535.98 CUDA Version: 12.2 | |-------------------------------------------------------------------------------------根据CUDA版本安装对应PyTorch# CUDA 12.x版本示例 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121验证GPU是否可用import torch print(torch.cuda.is_available()) # 应输出True print(torch.version.cuda) # 应与nvidia-smi显示的CUDA版本匹配3. YOLOv11项目配置3.1 项目结构与依赖安装从官方仓库下载YOLOv11代码后项目目录结构通常如下yolov11/ ├── datasets/ # 数据集目录 ├── models/ # 模型定义 ├── runs/ # 训练结果 ├── utils/ # 工具脚本 ├── requirements.txt # 依赖列表安装核心依赖pip install ultralytics pip install -r requirements.txt3.2 常见环境问题排查问题现象可能原因解决方案ImportError: DLL load failedCUDA版本不匹配重新安装匹配版本的PyTorchCUDA out of memory显存不足减小batch_size或图像尺寸CondaHTTPError网络问题换用国内镜像源4. 数据集准备与标注4.1 使用LabelImg进行标注安装标注工具pip install labelimg启动标注界面labelimg推荐标注流程设置标注格式为YOLO而非VOC预先定义好所有类别标签使用快捷键加速标注W创建标注框D下一张图片A上一张图片4.2 数据集划分与格式转换典型的数据集目录结构dataset/ ├── images/ # 原始图片 │ ├── train/ # 训练集图片 │ ├── val/ # 验证集图片 ├── labels/ # 标注文件 │ ├── train/ # 训练集标注 │ ├── val/ # 验证集标注使用以下代码进行数据集划分from sklearn.model_selection import train_test_split import os import shutil def split_dataset(image_dir, label_dir, output_dir, test_size0.2): images [f for f in os.listdir(image_dir) if f.endswith(.jpg)] train_img, val_img train_test_split(images, test_sizetest_size) # 创建目录结构 os.makedirs(f{output_dir}/images/train, exist_okTrue) os.makedirs(f{output_dir}/images/val, exist_okTrue) os.makedirs(f{output_dir}/labels/train, exist_okTrue) os.makedirs(f{output_dir}/labels/val, exist_okTrue) # 复制文件 for img in train_img: shutil.copy(f{image_dir}/{img}, f{output_dir}/images/train/{img}) label img.replace(.jpg, .txt) shutil.copy(f{label_dir}/{label}, f{output_dir}/labels/train/{label}) for img in val_img: shutil.copy(f{image_dir}/{img}, f{output_dir}/images/val/{img}) label img.replace(.jpg, .txt) shutil.copy(f{label_dir}/{label}, f{output_dir}/labels/val/{label})5. 模型训练与调优5.1 基础训练配置创建自定义配置文件custom.yaml# 数据集路径 path: ../datasets/custom train: images/train val: images/val # 类别信息 names: 0: person 1: car 2: traffic_light启动训练的基本命令from ultralytics import YOLO model YOLO(yolov11n.pt) # 使用nano版本预训练模型 results model.train( datacustom.yaml, epochs100, imgsz640, batch16, device0 # 使用GPU 0 )5.2 训练参数调优建议关键参数对训练效果的影响参数典型值作用调整建议lr00.01初始学习率太大导致震荡太小收敛慢weight_decay0.0005权重衰减防止过拟合warmup_epochs3热身轮次稳定初始训练6. 模型推理与应用6.1 单图像推理示例from ultralytics import YOLO import cv2 model YOLO(runs/detect/train/weights/best.pt) img cv2.imread(test.jpg) results model(img) # 可视化结果 annotated results[0].plot() cv2.imshow(Detection, annotated) cv2.waitKey(0)6.2 实时摄像头检测import cv2 from ultralytics import YOLO model YOLO(best.pt) cap cv2.VideoCapture(0) # 0表示默认摄像头 while cap.isOpened(): ret, frame cap.read() if not ret: break results model(frame, streamTrue) for r in results: frame r.plot() cv2.imshow(YOLOv11 Real-time, frame) if cv2.waitKey(1) ord(q): break cap.release() cv2.destroyAllWindows()7. 性能优化技巧7.1 训练加速方案使用混合精度训练model.train(..., ampTrue) # 自动混合精度启用CUDA Graphtorch.backends.cudnn.benchmark True数据加载优化model.train(..., workers4, # 数据加载线程数 pin_memoryTrue) # 锁页内存7.2 模型导出与部署导出为ONNX格式model.export(formatonnx, dynamicTrue)导出后的模型可以使用TensorRT进一步加速trtexec --onnxyolov11.onnx --saveEngineyolov11.engine